Inhalte im Überblick:In einer Welt, in der alles von Edelstahl umgeben ist, haben wir die Existenz von Korrosion vielleicht fast vergessen. Korrosion kommt jedoch in jedem Aspekt des Lebens vor. Ob es sich um einen rostigen Nagel, ein altes, undichtes Kabel oder ein Auto handelt, das seinen Glanz verloren hat, alles geschieht aufgrund von Korrosion. Laut Statistik belaufen sich die wirtschaftlichen Schäden, die durch Metallkorrosion weltweit verursacht werden, auf über 2,5 Billionen US-Dollar pro Jahr und übersteigen damit die Schäden durch andere Naturkatastrophen bei weitem. Die durch Korrosion verursachten wirtschaftlichen Verluste in China belaufen sich auf rund 394,9 Milliarden US-Dollar, was 4,21 TP3B des chinesischen BIP entspricht. Aus diesem Grund erforschen Forscher Legierungen oder metallische Schutzfilme mit besserer Korrosionsbeständigkeit. Heute wird KI eingesetzt, um die Korrosionsbeständigkeit von Materialien zu optimieren.

Schlüsselwörter:Natürliche Sprachverarbeitung Tiefe neuronale Netzwerke Korrosion

Autor | Xuecai

Herausgeber | Sanyang

Dieser Artikel wurde zuerst auf der öffentlichen HyperAI WeChat-Plattform veröffentlicht~

Laut Statistiken der National Association of Corrosion Engineers (NACE) beliefen sich die wirtschaftlichen Schäden durch Korrosion im Jahr 2013 weltweit auf über 2,5 Billionen US-Dollar.Gleichzeitig wurde auch China von Korrosion geplagt, was zu wirtschaftlichen Verlusten von rund 394,9 Milliarden US-Dollar führte. Dies entsprach 4,21 Prozent des chinesischen BIP in diesem Jahr und war damit etwas höher als in anderen Industrieländern.

Zum Vergleich: Die wirtschaftlichen Schäden durch das Erdbeben von Wenchuan im Jahr 2008 beliefen sich auf rund 110 Milliarden US-Dollar.Das heißt, dass die allein durch Korrosion verursachten wirtschaftlichen Verluste in unserem Land bereits im Jahr 2013 die von drei Erdbeben in Wenchuan überstiegen.

Tabelle 1: Wirtschaftliche Schäden durch Korrosion weltweit im Jahr 2013 (in Milliarden US-Dollar)

Um das Korrosionsproblem zu lösen, arbeiten Forscher intensiv daran, die Festigkeit der Materialien zu verbessern und suchen gleichzeitig nach Möglichkeiten, ihre Korrosionsbeständigkeit zu verbessern.. Mithilfe künstlicher Intelligenz haben sie einige Fortschritte erzielt, beispielsweise bei der Vorhersage des Korrosionsmechanismus von Legierungen bei hohen Temperaturen, bei der Analyse der atmosphärischen Korrosionsrate von Stahl und der Umweltkorrosion von Stahlbeton sowie bei der Nutzung von Convolutional Neural Networks (CNN), um die Korrosionsform von Materialien anhand von Bildern zu bestimmen.

Die Eingabedaten von Machine-Learning-Modellen sind jedoch meist numerische Daten. Bei der Verarbeitung und Analyse metallischer Werkstoffe fallen jedoch neben numerischen Daten wie pH-Wert und Prüftemperatur auch kategorische Daten wie Werkstoffart und Textdaten wie Wärmebehandlungsverfahren und Prüfmethode an.Herkömmliche Modelle des maschinellen Lernens sind nicht in der Lage, alle Daten gründlich zu lesen und zu analysieren, und ihre Vorhersagegenauigkeit ist gering.

Zu diesem Zweck hat das Max-Planck-Institut für Eisenforschung (MPIE) in Deutschland  Prozessbewusstes DNN wurde durch die Kombination von Deep Neural Network (DNN) und natürlicher Sprachverarbeitung (NLP) entwickelt.Dieses Modell kann numerische Daten und Textdaten zur Verarbeitung kombinieren und seine Genauigkeit ist 15% höher als bei anderen Modellen.

Gleichzeitig konvertierten sie die physikalischen und chemischen Eigenschaften von Metallen in Deskriptoren und konstruierten ein Feature-Transformations-DNN, mit dem die Auswirkung von Elementen, die im Trainingssatz nicht vorhanden sind, auf die Korrosionsbeständigkeit vorhergesagt werden kann. Diese Forschungsergebnisse wurden im August 2023 in Science Advances unter dem Titel „Verbesserung des Designs korrosionsbeständiger Legierungen durch Verarbeitung natürlicher Sprache und Deep Learning“ veröffentlicht.

Verwandte Forschungsergebnisse wurden in Science Advances veröffentlicht

Link zum Artikel:

https://www.science.org/doi/10.1126/sciadv.adg7992

Prozessbewusstes DNN

Modelldesign

Der Datensatz dieser Studie ist das Lochfraßpotenzial von 769 Legierungen in fünf Kategorien, einschließlich numerischer Daten, Klassifizierungsdaten und Textdaten. Dabei werden numerische Daten direkt in das Modell eingegeben und kategorische Daten durch fortlaufende Nummerierung und Eingabe in das Modell in numerische Daten umgewandelt.Die Textdaten werden durch die NLP-Architektur verarbeitet und dann in das Modell eingegeben.

Die NLP-Architektur ist hauptsächlich in drei Teile unterteilt, darunter Vokabelmarkierung, Vektorisierung und Verarbeitung von Vektorsequenzen.

Beim Word-Tagging wird jedes Wort durch ein bestimmtes Integer-Token ersetzt.Durch Vokabel-Tagging wird eine Phrase oder ein Satz in einen ganzzahligen Vektor umgewandelt.

Nach der Vokabelmarkierung werden die Textdaten zwar in numerische Werte umgewandelt, es besteht jedoch keine Korrelation zwischen den numerischen Werten und sie können nicht die Semantik des Originaltextes übertragen. Daher wird der ganzzahlige Vektor durch Vektorisierung in einen n-dimensionalen Gleitkommavektor umgewandelt. Während des Trainingsprozesses wird das Gewicht jedes Wortes kontinuierlich optimiert.Nach dem Training entspricht die Nähe zwischen Vektoren ihrer semantischen Ähnlichkeit.

Schließlich wird der n-dimensionale Gleitkommavektor durch ein rekurrentes neuronales Netzwerk mit langem Kurzzeitgedächtnis (LSTM) in einen einzelnen Vektor umgewandelt und gelangt in die Eingabeschicht. LSTM kann durch Gate-Funktionen langfristige Abhängigkeiten zwischen Wörtern identifizieren.Daher kann LSTM relevante Schlüsselwörter aus einem gegebenen Satz finden und den wichtigsten Teil des Satzes an die Eingabeschicht des DNN weitergeben.

Abbildung 1:Prozessbewusste DNN-Modellstruktur

A: NLP-Datenverarbeitungs-Workflow

B: Schematische Darstellung des prozessbewussten DNN-Modells

Schulung und Validierung 

Nach dem Training fassten die Forscher den absoluten Durchschnittsfehler der Modelle zusammen. Der mittlere absolute Fehler des prozessbewussten DNN beträgt etwa 150 mV und ist damit 20 mV niedriger als der des einfachen DNN. R zwischen vorhergesagtem Lochfraßpotenzial und tatsächlichem Lochfraßpotenzial²  Es beträgt 0,78 ± 0,06 und ist damit höher als 0,61 ± 0,04 des einfacheren DNN.Die obigen Ergebnisse zeigen, dass die Leistung des prozessbewussten DNN nach der Analyse der Textdaten besser ist als die des einfachen DNN-Modells.

Abbildung 2: Ergebnisse des prozessorientierten DNN-Trainings

A: Der mittlere absolute Fehler während des Trainings und der Validierung, wobei die rote Linie der mittlere absolute Fehler des einfachen DNN-Modells ist;

B: Vergleich der Ergebnisse zwischen prozessbewussten DNN- und einfachen DNN-Modellen.

Optimierung der Legierungszusammensetzung 

Um die Unterschiede zwischen prozessbewusstem DNN und einfachem DNN im Optimierungsprozess der Legierungszusammensetzung zu vergleichen, gingen die Forscher von ähnlichen Legierungszusammensetzungen aus, verwendeten dieselbe Lernrate und optimierten die Legierungszusammensetzungen mithilfe beider Modelle.

Abbildung 3: Ergebnisse der Komponentenoptimierung

A&B: Optimierungsergebnisse von Eisenbasislegierungen;

C&D: Optimierungsergebnisse der Ni-Cr-Mo-Legierung;

E&F: Ergebnisse der Al-Cr-Legierungsoptimierung;

G&H: Optimierungsergebnisse für Legierungen mit hohem Feuchtigkeitsgehalt.

Wie aus der Abbildung ersichtlich, ähneln sich die Optimierungsergebnisse der beiden Modelle für Eisenbasislegierungen und FeCrNiCo-Hochfeuchtelegierungen teilweise, die Optimierungsergebnisse für die beiden anderen Legierungen unterscheiden sich jedoch stark.Erstens sagt das prozessbewusste DNN voraus, dass die Erhöhung des Mo-Elementgehalts das Lochfraßpotenzial von Fe-basierten Legierungen und Ni-Cr-Mo-Legierungen erheblich erhöhen wird. Zweitens ist das prozessbewusste DNN davon überzeugt, dass in Ni-Cr-Mo-Legierungen interstitieller Stickstoff und interstitieller Kohlenstoff das Lochfraßpotenzial der Legierung erhöhen können. Schließlich trägt das Cu-Element in Al-Cr-Legierungen auch zur Verbesserung des Lochfraßpotenzials bei. Diese werden alle von einfachen DNNs ignoriert.

Feature-Transformation DNN

Modelldesign 

Durch die Funktion zur Charakterisierung der Legierungszusammensetzung „WenAlloys“ können die Informationen zur Legierungszusammensetzung auch in eine Reihe atomarer, physikalischer und chemischer Eigenschaften zerlegt und als Eingabewerte des DNN-Modells in verschiedene Deskriptoren umgewandelt werden.

Tabelle 2: Transformationsergebnisse einiger Features

wobei c_ich , R_ich , X_ich und E_c,i  Sie stellen jeweils den Atombruchteil, den Atomradius, die Pauli-Elektronegativität und die Elementbindungsenergie dar.

Schulung und Validierung

Abbildung 4: Trainingsergebnisse der Feature-Transformation DNN

A: Fehlerkurve während des Modelltrainings und der Modellüberprüfung;

B: Regressionskurve des vorhergesagten Lochfraßpotenzials und des tatsächlichen Lochfraßpotenzials nach dem Training;

C: Vergleich der Ergebnisse zwischen Feature-Transformations-DNN und einfachem DNN.

Nach dem Training beträgt der mittlere absolute Fehler der Merkmalstransformation DNN etwa 168 mV, R²  Er beträgt 0,66 und die Leistung ist im Vergleich zum einfachen DNN-Modell leicht verbessert.

Analyse des Korrosionsschutzmechanismus mithilfe der Merkmalstransformation DNN 

Aus jeder der fünf Kategorien wurde eine Legierung für die Merkmalstransformation ausgewählt und anschließend zur Optimierung in das Modell eingegeben. Basierend auf der Optimierungskurve können die Eingabefunktionen in zwei Kategorien unterteilt werden.Ein Typ von Merkmalskurve ändert sich während des Optimierungsprozesses erheblich und geht über die Erwartungen im Trainingssatz hinaus. Der andere Typ von Merkmalskurve ändert sich während des Optimierungsprozesses nur geringfügig.

Abbildung 5: Optimierungskurven für verschiedene Eingabefunktionen

Die Abbildung zeigt vier Merkmale, die sich während des Optimierungsprozesses erheblich verändert haben. Dies bedeutet, dass diese Merkmale wichtige Parameter zur Verbesserung des Lochfraßpotenzials der Legierung sein können.

Vorhersage der Al-Cu-Sc-Zr-Legierung mithilfe der Merkmalstransformation DNN 

Da die Eingabe der Merkmalstransformation DNN nur atomare, physikalische und chemische Merkmale von Komponenten enthält,Daher kann es Vorhersagen für Elemente treffen, die im Trainingssatz nicht vorhanden sind.

In verschiedenen Legierungen haben Sc- und Zr-Elemente eine verbesserte Korrosionsbeständigkeit gezeigt. Daher verwendete das Forschungsteam die Merkmalstransformation DNN, um die Auswirkungen dieser beiden Elemente auf die Al-Cu-Legierung zu analysieren.

Abbildung 6: DNN-Vorhersageergebnisse der Merkmalstransformation für das Lochfraßpotenzial der Al-Cu-Sc-Zr-Legierung

Wie in der Abbildung gezeigt, steigt mit zunehmendem Zr- und Sc-Elementgehalt das Lochfraßpotenzial der Legierung weiter an, was darauf hindeutet, dass die Korrosionsbeständigkeit der Legierung verbessert wurde.Dieses Ergebnis bestätigt die Vorhersagekraft der Merkmalstransformation DNN für neue Elemente.

Die obigen Ergebnisse zeigen, dassDurch die Kombination von NLP und DNN kann das Modell Textdaten über Legierungsverarbeitung und Prüfmethoden lesen, sodass es eine bessere Leistung als das herkömmliche DNN-Modell bietet und den Einfluss von Elementen auf die Korrosionsbeständigkeit von Legierungen erkennen kann, die von einfachen DNN ignoriert werden.Das Feature-Transformations-DNN kann die Leistung von Elementen vorhersagen, die im Trainingssatz nicht vorhanden sind, basierend auf den atomaren, physikalischen und chemischen Eigenschaften der Legierung.

  Korrosion: Der stille Metallkiller

Im Jahr 2009 hat die Weltkorrosionsorganisation (WCO) den 24. April jedes Jahres zum Weltkorrosionstag erklärt, um die Öffentlichkeit für das Thema Korrosion zu sensibilisieren. Korrosion ist ein weit verbreitetes chemisches Phänomen, das in jedem Winkel unseres Lebens auftritt. Ob es sich um verschiedene Küchenutensilien, verschiedene Haushaltsgeräte, Transportmittel zu Wasser, zu Land und in der Luft oder sogar verschiedene einzigartig gestaltete Gebäude handelt, sie alle sind von Korrosion betroffen.Man kann sagen, dass überall, wo es Metall gibt, Korrosion herrscht.

Zur Metallkorrosion zählen chemische und elektrochemische Korrosion, wobei die elektrochemische Korrosion häufiger vorkommt und schädlicher ist. Unter elektrochemischer Korrosion versteht man das Phänomen, dass zwei Metalle in einer Elektrolytlösung einen Stromkreis bilden und so eine galvanische Zelle bilden, die zur Korrosion des aktiven Metalls führt. Zu den üblichen elektrochemischen Korrosionsarten zählen Flächenkorrosion, Lochkorrosion, Spannungskorrosion, Spaltkorrosion usw.Darunter sind ungleichmäßige Korrosionen, insbesondere Lochfraß und andere Korrosionsformen, die schwer zu erkennen sind, für Metalle schädlicher und können leicht zu Unfällen führen.

Abbildung 7: Häufige Arten elektrochemischer Korrosion

Am 22. November 2013 war die Ölpipeline in der Stadt Qingdao in der Provinz Shandong über lange Zeit einem hohen Chlorgehalt und abwechselnd trockenen und feuchten Umgebungen ausgesetzt. Dies führte zur Korrosion und Ausdünnung der Rohrwand und schließlich zum Bruch, was zu einem Rohölleck führte. Bei den anschließenden Aufräum- und Reparaturarbeiten kam es aufgrund unsachgemäßer Vorgehensweise vor Ort zur Explosion von Rohöl, die letztlich 62 Todesopfer und 163 Verletzte forderte.

Korrosion ist oft schwer zu erkennen. Um Korrosionsunfälle zu vermeiden, sind daher regelmäßige manuelle Inspektionen und Reparaturen erforderlich, die viel Personal und Materialressourcen in Anspruch nehmen.Jetzt können wir mithilfe von KI die Zusammensetzung von Legierungen optimieren und Materialien mit besserer Korrosionsbeständigkeit finden.Gleichzeitig kommen digitale Korrosionsüberwachungssysteme zum Einsatz, die uns helfen, Korrosionspotenziale schnell zu lokalisieren, damit der „stille Killer“ nicht länger stumm bleibt.

Referenzlinks:

[1] http://impact.nace.org/documents/Nace-International-Report.pdf

[2] https://whatispiping.com/corrosion/?expand_article=1

[3] https://www.gov.cn/govweb/jrzg/2014-01/11/content_2564654.htm#:

Dieser Artikel wurde zuerst auf der öffentlichen HyperAI WeChat-Plattform veröffentlicht~